امروزه کنترل کیفیت تولیدات یکی از مسائل مهم در صنعت بشمار می رود. یکی از اهداف کنترل کیفی محصولاتی نظیر کاشی، استیل، چوب و پارچه، بازرسی سطوح این محصولات به منظور تشخیص نواحی معیوب احتمالی می باشد. در این صورت کیفیت تولیدات را با توجه به استانداردها و نیازهای کاربر کنترل می نمایند. تمامی این سیستم ها از لحاظ کارایی دارای مشترکاتی هستند که از میان آن می توان به مواردی همچون، خصوصیات بصری یا ویژگی های یک شیء که آنرا از دیگر اشیاء متمایز می سازد اشاره نمود. یکی از این خصوصیات مهم در بازرسی سطوح، بررسی بافت در تصاویر سطوح می باشد. در این پایان نامه مسال? تشخیص عیب در بافت های تصادفی را مورد بررسی قرار می دهیم. بدین منظور روش هایی جهت تشخیص عیوب بر روی سطوح بافت های تصادفی ارائه می گردد. تاکنون بیشتر کارهای انجام شده، جهت آنالیز بافت های منظم پیشنهاد شده است اما به دلیل ماهیت بافت های تصادفی، متأسفانه نمی توان اکثر این روش ها را مستقیماً بر روی بافت های تصادفی اعمال نمود. بدیهی است که طراحی و ارائه روش های جدیدی در این زمینه از اهمیت بسزایی برخوردار می باشد. دو روش جهت آنالیز بافت های تصادفی پیشنهاد می گردد. روش اول مبتنی بر تبدیل موجک بوده و در روش دوم از بانک فیلتر گابور استفاده می شود. الگوریتم های پیشنهادی در این پایان نامه شامل دو مرحل? آموزش و آزمون هستند. در مرحل? آموزش، از یک یا چند تصویر بافت سالم برای استخراج بردارهای ویژگی و مدل کردن این بافت ها استفاده می شود. چگالی احتمال بردارهای ویژگی استخراج شده توسط مدل مخلوط گوسی، مدل شده و پارامترهای توابع گوسی مربوطه تخمین زده می شوند. در مرحل? آزمون، بطور مشابه بردارهای ویژگی از پنجره های کوچک تصویر تحت بازرسی استخراج می گردند، و بافت هر پنجره مورد ارزیابی قرار می گیرد. بطوریکه مقدار تعلق بردار ویژگی هر پنجر? تصویر آزمون به مدل استخراج شده محاسبه شده، و با یک مقدار آستانه جهت تشخیص ناحی? معیوب مقایسه می شود. تعیین مقدار مطلوب آستانه در راستای رویکرد تشخیص تمایزها می باشد. نتایج تجربی نشان می دهند که دو الگوریتم پیشنهادی در مقایسه با روش های ارائه شده از حجم محاسباتی و دقت قابل قبولی برخوردار است.

امروزه با توجه به رشد روزافزون جمع آوری اطلاعات و قابلیت های موجود در ذخیره سازی، توجه بسیار زیادی به مسأله انتخاب، استخراج و کاهش ویژگی شده است. در سال-های اخیر الگوریتم سیستم ایمنی مصنوعی بر پایه انتخاب کلونال به دلیل خاصیت بهینه سازی و تکامل گرا بودن بسیار مورد توجه قرار گرفته است. در صورت انتخاب تابع مناسب برای محاسبه میل ترکیبی در الگوریتم سیستم ایمنی مصنوعی و انجام عمل فراجهش و کلونی سازی بر مبنای میل ترکیبی در الگوریتم انتخاب کلونال، این روش نتیجه مطلوبی را در زمینه کاهش ویژگی ارائه می دهد. در این تحقیق یک بردار ویژگی به ازای تک تک پیکسل های تصویر دریافت شده توسط موبایل ربات استخراج شده است و برای تشخیص پیکسل های جاده و غیرجاده از ماشین بردار پشتیبان استفاده شده است. سپس با الگوریتم سیستم ایمنی مصنوعی و ماشین بردار پشتیبان با کرنل rbf به عنوان تابع ارزیابی، عمل کاهش بردارهای ویژگی استخراج شده انجام شده است. جهت افزایش دقت کلاسه بند svm، در کنار عمل کاهش ویژگی به صورت همزمان پارامتر های svm و کرنل rbf نیز بهینه می شوند. با استفاده از الگوریتم انتخاب کلونال تطبیقی در الگوریتم سیستم ایمنی مصنوعی زمان اجرا کاهش یافته است در نهایت روش پیشنهادی روی مجموعه داده های uci و مجموعه داده استخراج شده از تصویر موبایل ربات تست شده است. در این تحقیق به میانگین دقت 26/94 به ازای میانگین 62/68 درصد کاهش ویژگی در مجموعه داده های uci و دقت 97/83 به ازای 90/64 درصد کاهش ویژگی در مجموعه داده استخراج شده از تصاویر موبایل ربات دست یافتیم.